Curso de Ética y gobernanza de aeronaves no tripuladas
About our
El Curso de Big Data Urbano y Predicción de Tráfico explora el uso de big data, aprendizaje automático y modelado predictivo para analizar y predecir patrones de tráfico en entornos urbanos. Se enfoca en la recopilación, procesamiento y análisis de datos provenientes de diversas fuentes, como sensores de tráfico, datos GPS y redes sociales. Los participantes aprenderán a aplicar técnicas de ciencia de datos para optimizar la gestión del tráfico, reducir la congestión y mejorar la movilidad urbana, usando herramientas como Python y herramientas de visualización de datos.
El curso ofrece conocimientos prácticos en la implementación de algoritmos de machine learning para la predicción del tráfico, la identificación de cuellos de botella y la simulación de escenarios. Se abordarán temas relacionados con la gestión inteligente del tráfico, la optimización de rutas y la planificación urbana basada en datos. La formación capacita a profesionales para roles en planificación urbana, ingeniería de tráfico, y análisis de datos, impulsando la toma de decisiones informadas y la mejora de la eficiencia en las ciudades.
Palabras clave objetivo (naturales en el texto): Big data urbano, predicción de tráfico, machine learning, gestión de tráfico, análisis de datos, sensores de tráfico, modelado predictivo, ciencia de datos.
Curso de Ética y gobernanza de aeronaves no tripuladas
- Modalidad: Online
- Duración: 4 meses
- Horas: 300 H
- Idioma: ES / EN
- Créditos: 60 ECTS
- Fecha de matrícula: 19-06-2026
- Fecha de inicio: 05-08-2026
- Plazas disponibles: 20
249 $
Competencies and outcomes
What you will learn
1. Predicción del Tráfico Urbano: Análisis Big Data y Modelado Predictivo
- Identificar y comprender las fuentes de datos masivas relevantes para el tráfico urbano.
- Aplicar técnicas de análisis de Big Data para limpiar, transformar y explorar conjuntos de datos de tráfico urbano.
- Utilizar herramientas y plataformas de Big Data para el procesamiento y análisis de datos.
- Seleccionar y aplicar algoritmos de modelado predictivo apropiados para la predicción del tráfico urbano, incluyendo modelos de series temporales, aprendizaje automático y redes neuronales.
- Entrenar, validar y evaluar modelos predictivos utilizando métricas de rendimiento relevantes.
- Interpretar y comunicar los resultados de los modelos de predicción de tráfico, incluyendo la identificación de patrones y tendencias.
- Utilizar los modelos predictivos para la toma de decisiones en la gestión del tráfico urbano, como la optimización de semáforos y la planificación de rutas.
- Explorar y analizar casos de estudio reales de predicción del tráfico urbano.
- Comprender las consideraciones éticas y de privacidad relacionadas con el análisis de datos de tráfico urbano.
2. Análisis de Datos Masivos Urbanos para Predecir el Flujo Vehicular
- Identificar y comprender las fuentes de datos masivos urbanos relevantes para el análisis del flujo vehicular (sensores, dispositivos GPS, redes sociales, etc.).
- Dominar las técnicas de procesamiento y limpieza de datos masivos, incluyendo la gestión de datos faltantes, valores atípicos y ruido.
- Aplicar métodos de análisis descriptivo para caracterizar el flujo vehicular (velocidades, densidades, volúmenes, tiempos de viaje) y sus patrones espacio-temporales.
- Utilizar modelos predictivos basados en datos, como series temporales, aprendizaje automático y redes neuronales, para pronosticar el flujo vehicular a corto y largo plazo.
- Evaluar y validar la precisión de los modelos predictivos utilizando métricas relevantes (MAE, RMSE, MAPE) y técnicas de validación cruzada.
- Interpretar los resultados de los análisis y modelos para identificar factores que influyen en el flujo vehicular (eventos, clima, infraestructuras, etc.) y extraer conclusiones significativas.
- Implementar visualizaciones de datos y dashboards interactivos para comunicar de manera efectiva los hallazgos y resultados a diferentes audiencias.
- Explorar aplicaciones prácticas del análisis del flujo vehicular en la gestión del tráfico, planificación urbana, transporte público y optimización de rutas.
- Comprender las consideraciones éticas y de privacidad relacionadas con el uso de datos masivos urbanos y el análisis del flujo vehicular.
3. Diseño y validación integral orientado al usuario (del modelado a la manufactura)
Aprenderás a integrar todo el proceso de desarrollo de producto desde la concepción del modelo hasta su validación final, aplicando metodologías centradas en el usuario. Desarrollarás competencias en diseño paramétrico, ergonomía, simulación, materiales sostenibles, visualización 3D y gestión de manufactura, garantizando soluciones eficientes, seguras y alineadas con los estándares industriales actuales.
4. Desentrañando el Big Data Urbano: Predicción de Tráfico con Modelos Avanzados
4. Desentrañando el Big Data Urbano: Predicción de Tráfico con Modelos Avanzados
- Comprender las fuentes de datos masivos en entornos urbanos: sensores de tráfico, datos de movilidad, redes sociales y sistemas GPS.
- Dominar técnicas de preprocesamiento y limpieza de datos para preparar conjuntos de datos complejos para el análisis.
- Aplicar algoritmos de aprendizaje automático supervisado: regresión lineal, máquinas de soporte vectorial y redes neuronales para la predicción del tráfico.
- Explorar modelos de series temporales: ARIMA, Prophet y redes LSTM, para predecir patrones de tráfico con base en la temporalidad.
- Utilizar técnicas de aprendizaje automático no supervisado: clustering para identificar patrones y anomalías en el tráfico.
- Implementar modelos de simulación de tráfico para evaluar escenarios y optimizar la gestión del tráfico.
- Analizar y visualizar datos de tráfico utilizando herramientas de visualización avanzadas para una mejor comprensión.
- Evaluar y validar modelos de predicción de tráfico utilizando métricas de rendimiento relevantes.
- Comprender el impacto de eventos especiales y factores externos en el tráfico urbano y diseñar estrategias de mitigación.
- Aplicar conocimientos en casos de uso del mundo real: optimización de rutas, gestión de congestión y planificación de la movilidad urbana.
5. Predicción de Tráfico Urbano: Análisis de Datos Masivos y Modelado Predictivo Avanzado
- **Fundamentos de la Predicción de Tráfico:** Comprender los conceptos clave, la terminología y la importancia de la predicción de tráfico urbano.
- **Recopilación y Preparación de Datos Masivos:** Aprender a identificar, recopilar, limpiar y procesar conjuntos de datos masivos relevantes para el tráfico, incluyendo datos de sensores, GPS, redes sociales y más.
- **Análisis Exploratorio de Datos (AED):** Utilizar técnicas de AED para explorar y comprender las características de los datos de tráfico, identificar patrones, tendencias y anomalías.
- **Modelado Estadístico y Aprendizaje Automático:** Desarrollar modelos predictivos utilizando técnicas estadísticas y algoritmos de aprendizaje automático (regresión lineal, árboles de decisión, redes neuronales, etc.) para pronosticar el tráfico.
- **Modelos de Series Temporales:** Aplicar modelos especializados en el análisis de series temporales (ARIMA, Prophet, etc.) para predecir el tráfico a lo largo del tiempo.
- **Modelos Basados en Agentes y Simulación:** Aprender a simular el comportamiento del tráfico utilizando modelos basados en agentes y técnicas de simulación.
- **Integración de Datos y Modelos:** Combinar múltiples fuentes de datos y modelos predictivos para mejorar la precisión y la robustez de las predicciones.
- **Evaluación y Validación de Modelos:** Evaluar el rendimiento de los modelos predictivos utilizando métricas relevantes (MAE, RMSE, etc.) y validar los resultados.
- **Visualización de Datos y Comunicación de Resultados:** Utilizar herramientas de visualización para comunicar los resultados de las predicciones de manera efectiva.
- **Aplicaciones Reales y Estudios de Caso:** Explorar aplicaciones prácticas de la predicción de tráfico urbano, como la optimización de semáforos, la gestión de la congestión, la planificación del transporte público y la movilidad inteligente.
6. Dominando el Big Data Urbano: Predicción de Tráfico y Optimización del Flujo Vehicular
Aprenderás a integrar todo el proceso de desarrollo de producto desde la concepción del modelo hasta su validación final, aplicando metodologías centradas en el usuario. Desarrollarás competencias en diseño paramétrico, ergonomía, simulación, materiales sostenibles, visualización 3D y gestión de manufactura, garantizando soluciones eficientes, seguras y alineadas con los estándares industriales actuales.
Who our [course/program] is aimed at:
Curso de Ética y gobernanza de aeronaves no tripuladas
- Profesionales y estudiantes con interés en el análisis de datos urbanos y la predicción de tráfico, incluyendo:
- Ingenieros/as de datos
- Científicos/as de datos
- Analistas de datos
- Urbanistas
- Profesionales de sectores relacionados con el transporte y la movilidad urbana, tales como:
- Planificadores urbanos
- Gestores de tráfico
- Empresas de transporte
- Autoridades de transporte público
- Personas con conocimientos básicos en:
- Estadística
- Programación (Python, R u otros)
- Bases de datos
- Standards-driven curriculum: trabajarás con CS-27/CS-29, DO-160, DO-178C/DO-254, ARP4754A/ARP4761, ADS-33E-PRF desde el primer módulo.
- Laboratorios acreditables (EN ISO/IEC 17025) con banco de rotor, EMC/Lightning pre-compliance, HIL/SIL, vibraciones/acústica.
- TFM orientado a evidencia: safety case, test plan, compliance dossier y límites operativos.
- Mentorado por industria: docentes con trayectoria en rotorcraft, tiltrotor, eVTOL/UAM y flight test.
- Modalidad flexible (híbrido/online), cohortes internacionales y soporte de SEIUM Career Services.
- Ética y seguridad: enfoque safety-by-design, ciber-OT, DIH y cumplimiento como pilares.
1.1 Introducción al Big Data en el contexto urbano
1.2 Importancia del análisis del tráfico urbano
1.3 Fuentes de datos masivos en el entorno urbano
1.4 Desafíos y oportunidades del Big Data en la gestión del tráfico
1.5 Conceptos clave: Big Data, modelado predictivo y análisis de datos
1.6 Herramientas y tecnologías para el análisis de Big Data
1.7 El papel de la inteligencia artificial y el aprendizaje automático
1.8 Ética y privacidad en el análisis de datos de tráfico
1.9 Caso de estudio: ejemplos de éxito en la gestión del tráfico
1.10 Tendencias futuras en el uso de Big Data para el tráfico urbano
2.2 Fuentes de Datos Masivos Urbanos: Tipos y Orígenes
2.2 Extracción, Transformación y Carga (ETL) de Datos de Tráfico
2.3 Limpieza y Preprocesamiento de Datos: Gestión de Valores Faltantes y Anómalos
2.4 Almacenamiento y Organización de Datos Masivos para Análisis
2.5 Herramientas y Tecnologías para la Preparación de Datos: Hadoop, Spark, etc.
2.6 Calidad de Datos: Validación y Aseguramiento de la Integridad
2.7 Integración de Datos: Fusión de Múltiples Fuentes de Información
2.8 Estructuración de Datos: Diseño de Esquemas para Análisis Eficiente
2.9 Escalabilidad: Preparación de Datos para el Crecimiento Futuro
2.20 Consideraciones de Privacidad y Seguridad en la Recolección y Preparación de Datos
3.3 Introducción al Big Data en el contexto urbano: fuentes y tipos de datos
3.2 Recolección y preparación de datos: técnicas de limpieza y transformación
3.3 Análisis exploratorio de datos (EDA) en el tráfico urbano
3.4 Modelado predictivo: conceptos clave y selección de modelos
3.5 Modelos predictivos: regresión, series temporales y aprendizaje automático
3.6 Validación y evaluación de modelos predictivos
3.7 Implementación de modelos predictivos: herramientas y plataformas
3.8 Visualización de datos y comunicación de resultados
3.9 Estrategias para la optimización del flujo vehicular basadas en datos
3.30 Casos de estudio: aplicaciones reales de Big Data en la gestión del tráfico urbano
4.4 Introducción al Big Data en el Tráfico Urbano
4.2 Fuentes de Datos Masivos para el Análisis del Tráfico
4.3 Limpieza y Preprocesamiento de Datos Urbanos
4.4 Modelos Predictivos de Tráfico: Fundamentos
4.5 Modelado Predictivo Avanzado: Regresión y Series Temporales
4.6 Técnicas de Machine Learning para Predicción de Tráfico
4.7 Evaluación y Validación de Modelos de Predicción
4.8 Implementación de Sistemas de Predicción de Tráfico
4.9 Optimización del Flujo Vehicular Basada en Predicciones
4.40 Casos de Estudio y Aplicaciones Prácticas
5.5 Introducción al Big Data en la Predicción de Tráfico Urbano
5.5 Recopilación y Limpieza de Datos Masivos de Tráfico
5.3 Fuentes de Datos: Sensores, Cámaras, Redes Sociales y Dispositivos Móviles
5.4 Análisis Exploratorio de Datos (EDA) para Identificar Patrones
5.5 Modelado Predictivo: Regresión, Series Temporales y Aprendizaje Automático
5.6 Evaluación y Validación de Modelos Predictivos de Tráfico
5.7 Optimización de Modelos para la Precisión en la Predicción
5.8 Implementación de Sistemas de Predicción de Tráfico en Tiempo Real
5.9 Estrategias de Visualización de Datos y Comunicación de Resultados
5.50 Casos de Estudio: Aplicaciones Reales de la Predicción de Tráfico
6.6 Recopilación y Procesamiento de Datos Masivos Urbanos
6.2 Limpieza y Preparación de Datos para Análisis de Tráfico
6.3 Exploración y Visualización de Datos de Tráfico Urbano
6.4 Modelado Predictivo del Tráfico: Regresión y Series Temporales
6.5 Modelos Avanzados: Redes Neuronales y Machine Learning para Tráfico
6.6 Validación y Evaluación de Modelos Predictivos
6.7 Implementación de Estrategias de Optimización del Flujo Vehicular
6.8 Uso de Herramientas y Plataformas de Big Data
6.9 Análisis de Sensibilidad y Escenarios en Predicción de Tráfico
6.60 Estudio de Casos: Aplicaciones Reales y Desafíos en el Tráfico Urbano
7.7 Introducción al Big Data en la Predicción de Tráfico Urbano
7.2 Fuentes de Datos Masivos para el Análisis de Tráfico
7.3 Técnicas de Limpieza y Preprocesamiento de Datos
7.4 Modelado Predictivo: Regresión y Series Temporales
7.7 Modelos Avanzados: Redes Neuronales y Machine Learning
7.6 Validación y Evaluación de Modelos Predictivos
7.7 Visualización de Datos y Herramientas de Análisis
7.8 Estrategias de Optimización del Flujo Vehicular
7.9 Implementación de Soluciones de Big Data en Entornos Urbanos
7.70 Casos de Estudio y Tendencias Futuras
8.8 Introducción al Big Data en la Optimización del Tráfico Urbano
8.8 Recolección y Preparación de Datos Masivos de Tráfico
8.3 Análisis Descriptivo y Exploratorio de Datos de Tráfico
8.4 Modelado Predictivo del Tráfico: Conceptos y Métodos
8.5 Modelos de Regresión y Series Temporales para la Predicción del Tráfico
8.6 Modelos de Machine Learning para la Predicción del Tráfico Urbano
8.7 Validación y Evaluación de Modelos Predictivos de Tráfico
8.8 Implementación de Estrategias de Optimización del Tráfico Basadas en Big Data
8.8 Casos de Estudio: Aplicaciones Reales de Big Data en la Gestión del Tráfico
8.80 Consideraciones Éticas y Desafíos Futuros en la Optimización del Tráfico Urbano
9.9 Fuentes de Datos Masivos para Tráfico Urbano
9.9 Técnicas de Limpieza y Preprocesamiento de Datos
9.3 Modelos Predictivos: Regresión, Series Temporales
9.4 Modelos Avanzados: Redes Neuronales, Machine Learning
9.5 Evaluación y Validación de Modelos de Tráfico
9.6 Análisis de Variables Clave en el Tráfico Urbano
9.7 Optimización de Flujo Vehicular mediante Big Data
9.8 Implementación de Sistemas de Predicción en Tiempo Real
9.9 Herramientas y Plataformas para el Análisis de Big Data
9.90 Casos de Estudio: Aplicaciones Reales en Ciudades
1.1 Introducción al Big Data en la Predicción de Tráfico Urbano
1.2 Fuentes de Datos Masivos: Sensores, Cámaras, GPS, Redes Sociales
1.3 Herramientas y Tecnologías para el Análisis de Big Data
1.4 Preprocesamiento y Limpieza de Datos: ETL (Extracción, Transformación, Carga)
1.5 Modelado Predictivo: Regresión, Series Temporales, Machine Learning
1.6 Evaluación de Modelos: Métricas de Precisión y Rendimiento
1.7 Visualización de Datos y Generación de Informes
1.8 Estudio de Casos: Aplicaciones Reales y Ejemplos Prácticos
1.9 Desafíos y Oportunidades en la Predicción de Tráfico Urbano
1.10 Consideraciones Éticas y de Privacidad en el Uso de Datos
- Metodología hands-on: test-before-you-trust, design reviews, failure analysis, compliance evidence.
- Software (según licencias/partners): MATLAB/Simulink, Python (NumPy/SciPy), OpenVSP, SU2/OpenFOAM, Nastran/Abaqus, AMESim/Modelica, herramientas de acústica, toolchains de planificación DO-178C.
- Laboratorios SEIUM: banco de rotor a escala, vibraciones/acústica, EMC/Lightning pre-compliance, HIL/SIL para AFCS, adquisición de datos con strain gauging.
- Estándares y cumplimiento: EN 9100, 17025, ISO 27001, GDPR.
Capstone-type projects
Admissions, fees, and scholarships
- Perfil: Formación en Ingeniería Informática, Matemáticas, Estadística o campos relacionados; experiencia práctica en NLP y sistemas de recuperación de información valorada.
- Documentación: CV actualizado, expediente académico, SOP/ensayo de propósito, ejemplos de proyectos o código (opcional).
- Proceso: solicitud → evaluación técnica de perfil y experiencia → entrevista técnica → revisión de casos prácticos → decisión final → matrícula.
- Tasas:
- Pago único: 10% de descuento.
- Pago en 3 plazos: sin comisiones; 30% a la inscripción + 2 pagos mensuales iguales del 35% restante.
- Pago mensual: disponible con comisión del 7% sobre el total; revisión anual.
- Becas: por mérito académico, situación económica y fomento de la inclusión; convenios con empresas del sector para becas parciales o totales.
Consulta “Calendario & convocatorias”, “Becas & ayudas” y “Tasas & financiación” en el mega-menú de SEIUM
Do you have any questions?
Our team is ready to help you. Contact us, and we will respond as soon as possible.
F. A. Q
Frequently asked questions
Si, contamos con certificacion internacional
Sí: modelos experimentales, datos reales, simulaciones aplicadas, entornos profesionales, casos de estudio reales.
No es obligatoria. Ofrecemos tracks de nivelación y tutorización
Totalmente. Cubre e-propulsión, integración y normativa emergente (SC-VTOL).
Recomendado. También hay retos internos y consorcios.
Sí. Modalidad online/híbrida con laboratorios planificados y soporte de visados (ver “Visado & residencia”).